使用神经场散射变换学习大尺度结构的平衡场概要

我们采用神经场散射变换（NFST）对模拟的弱引力收敛图进行宇宙学分析，以约束宇宙学参数。NFST通过引入可训练神经场滤波器而扩展了小波场散射变换（WST），同时保持旋转和平移对称性。这种设置在训练数据有限的条件下实现了灵活性与鲁棒性之间的平衡，理想用于学习。我们将NFST应用于来自CosmoGrid套件的500个模拟，每个模拟提供1000平方度的无噪声弱引力收敛图。我们使用所得的学习场压缩来对$\Omega_m$、$\sigma_8$和$w$在$w$CDM宇宙学模型中建模后验分布。NFST在所有测试数据上平均后验概率密度方面 consistently 超过WST基准，提高了16%。此外，NFST提高了对$\sigma_8$直接参数预测精度的6%，对$w$的精度提高了11%。我们还引入了一种新的可视化技术来解释物理空间中学习滤波器，表明NFST能够针对特定任务调整其特征提取以捕获任务特定信息。这些结果将NFST确立为从 upcoming 大尺度结构调查中非高斯信息中提取最大宇宙学信息的有前景的工具，而无需大量模拟训练数据集。